Tech · CV MLOps Engineer
MLOps Engineer.
Le MLOps engineer industrialise le cycle de vie des modèles ML : serving (BentoML, vLLM), monitoring (drift, performance), CI/CD ML, infrastructure (Kubernetes, GPU). Son CV se juge sur la maturité des plateformes ML qu'il a montées et la fiabilité atteinte en production.
Pourquoi ce CV se joue différemment
Le rôle a explosé avec la GenAI (LLM serving haute charge, RAG en prod, agents). Les scale-ups et big tech cherchent désespérément des MLOps qui maîtrisent à la fois Kubernetes, serving frameworks (vLLM, TorchServe, BentoML) et monitoring drift. Précise ta dominante (training vs serving).
Compétences que les recruteurs cherchent
Hard skills
- · Kubernetes + GPU scheduling (GKE, EKS, AKS)
- · Serving frameworks (TorchServe, TF Serving, BentoML, KServe, vLLM)
- · MLOps frameworks (MLflow, Kubeflow, ZenML, Metaflow)
- · Feature stores (Feast, Tecton)
- · CI/CD ML (DVC, CML, GitHub Actions)
- · Monitoring modèles (drift, performance, fairness)
- · Optimisation inference (quantization, ONNX, TensorRT, distillation)
- · Frameworks ML (PyTorch, TensorFlow, Hugging Face)
- · Cloud ML (SageMaker, Vertex AI, Azure ML)
- · Python avancé + Bash + Terraform
Soft skills
- · Communication entre DS, ops, business
- · Documentation rigoureuse
- · Pragmatisme YAGNI
- · Calme en incident modèle
- · Curiosité scientifique
Outils
- · Kubernetes / Helm
- · MLflow / Kubeflow / Vertex AI Pipelines
- · Docker / Terraform
- · Datadog / Prometheus / Grafana
- · GitHub Actions / GitLab CI
Structure de CV à respecter
01
Titre + dominante
« MLOps Engineer — LLM serving haute charge » ou « ML Platform Engineer — training pipelines ». Précise dominante.
02
Modèles déployés en prod
Section visible : modèles servis (NLP, vision, LLM), charge (RPS, inferences/jour), latence p99, fiabilité (uptime, drift incidents).
03
Plateforme ML montée ou opérée
Précise greenfield (tu as monté la plateforme) vs opéré sur infra existante. Cite les outils principaux (MLflow, Kubeflow, Vertex).
04
Projets MLOps significatifs
Mise en place CI/CD ML, feature store, monitoring drift, retraining automatisé, serving LLM. Vrais signaux à senior.
05
Formation + contributions
École d'ingé / master info + contributions open source ML (MLflow, BentoML, vLLM). Pour reconversion : projets perso complets avec déploiements.
Bullets : avant / après
Plateforme MLOps greenfield
Faible
J'ai construit une plateforme MLOps.
Fort
Conçoit plateforme MLOps greenfield (Vertex AI Pipelines + MLflow + Feast feature store + KServe sur GKE) — 12 modèles en prod en 14 mois, time-to-production divisé par 5, fiabilité 99.95% sur 6 mois consécutifs.
Serving LLM
Faible
J'ai mis en production des LLM.
Fort
Déploie infra serving LLM (vLLM + GKE + GPU L4 sur 8 replicas) — Llama 3 70B fine-tuné + Mistral 7B, throughput 280 req/s pic, latence p99 1.8s, coût GPU par M tokens -68% vs scénario baseline.
Monitoring drift
Faible
J'ai mis en place le monitoring des modèles.
Fort
Conçoit dispositif monitoring drift + performance (Evidently + Datadog + alerting Slack) sur 14 modèles ML production — détection précoce de 4 dérives critiques en 12 mois, retraining automatique mensuel, 0 incident silencieux.
Erreurs qui coûtent l'entretien
Confusion MLOps / DevOps
→ DevOps déploie des apps stateless. MLOps déploie des modèles avec spécificités (drift, GPU, batch vs streaming inference, A/B test versions).
Pas de mention monitoring drift
→ Sans monitoring drift, ta plateforme MLOps est incomplète. Cite tes outils (Evidently, WhyLabs, Datadog ML) et tes pratiques alerting.
Pas de mention LLM en 2026
→ Les recruteurs cherchent du LLM serving. Mentionne au moins une expérience vLLM, TGI, ou serving Hugging Face même petit.
Pas de mention coût GPU
→ GPU = coût élevé. Mentionne tes optimisations (quantization, distillation, right-sizing) et économies générées.
Fourchettes salariales France
Junior
50–65 K€ brut (Paris) / 42–55 K€ (province)
Confirmé
65–95 K€ brut (3-5 ans XP, scale-up data-first)
Senior
95–140 K€ brut (Senior MLOps, Lead ML Platform) — big tech 120-180 K€ + RSU
Scale-ups data-first (Doctolib, Mistral AI, Hugging Face France, Owkin, Mirakl) : 80-120 K€ mid + RSU. Big tech France (Meta, Google, Amazon) : 110-160 K€ mid + RSU significatif. Banques quant : 70-110 K€. Freelance MLOps : TJM 700-1000€.
Mots-clés ATS à intégrer
Les ATS scannent ces termes. Si ton CV n'en contient aucun, il passe sous le radar — même si tu es qualifié.